So übersetzt Quanta Lernforschung in Produktentscheidungen

Die Seite zeigt, welche Studien einzelne Lernfunktionen prägen, was Quantas eigene Messungen erfassen und wo die Aussagekraft dieser Evidenz endet.

Quellen-Grounding

100 % der ausgelieferten KI-Karten quellenbelegt, 97,8 % Quote-Match (eigene offene Studie, Juni 2026).

FSRS-6 Algorithmus

Log-Loss 0,35 vs. 0,45 (SM-2), validiert auf 20 Mio. Wiederholungen.

Active Recall

81 % Retention nach 1 Woche vs. 27 % bei passivem Lesen (Karpicke & Roediger 2008).

Bloom-Taxonomie

Nur Anwendungs- & Analysefragen (Stufe 3–4). Keine reinen Definitionskarten.

Eigene offene Studie, Juni 2026

Gemessen statt behauptet: KI-Karten ohne Halluzination

Jede KI-generierte Karte wird serverseitig per Quote-Match gegen ihre Quelle geprüft, und was nicht belegt werden kann, wird verworfen. Der Roh-Datensatz der Studie ist offen und zum Download verfügbar.

100%
der ausgelieferten Karten quellenbelegt
97,8%
Quote-Match-Trefferquote
1.997 von 2.042
erzeugten Karten bestehen den Quote-Match
Zur Studie mit offenem Datensatz

Evidenzbasiertes Lernen

Die Wissenschaft hinter Quanta.

In der veröffentlichten Source-First-Studie waren alle ausgelieferten Testkarten quellenbelegt; 97,8 % der erzeugten Kandidaten bestanden den Quote-Match.

Ye et al. 2022 · ACM SIGKDD · FSRS Benchmark

01Problem

Anki unterstützt FSRS, verlangt aber mehr Eigenkonfiguration. Quanta integriert FSRS-6 direkt mit Quellenworkflow, Lernplanung und Prüfungssimulation.

02Wissenschaftlicher Befund

Ye et al. verglichen FSRS gegen SM-2 auf über 20 Mio. Wiederholungen. FSRS modelliert Stabilität, Schwierigkeit und Abrufbarkeit individuell. Log-Loss: 0,35 gegenüber 0,45 bei SM-2, messbar präziser.

03Wie Quanta das nutzt

Quanta nutzt deine Bewertungen, um mit FSRS für jede Karte den nächsten Wiederholungstermin anhand des modellierten Gedächtniszustands zu berechnen.

Beispiel

Du bereitest dich auf deine Analysis-Klausur vor. Quanta sieht, dass du Grenzwerte sicher beherrschst, bei Integralen aber noch schwächelst, und plant diese gezielt für morgen früh.

Gesamte Studie lesen
Retentionswahrscheinlichkeit über Zeit
0%25%50%75%100%0d5d10d20d30dRETENTION (%)TAGE NACH LERNEINHEIT18%62%
Legacy SM-2
FSRS (Quanta)

Ye et al. 2022 · Log-Loss 0.35 vs 0.45 · n = 20M+ Wiederholungen

Drei Methoden · Drei Studien

Methoden, die messbar wirken.

In der veröffentlichten Source-First-Studie waren alle ausgelieferten Testkarten quellenbelegt; 97,8 % der erzeugten Kandidaten bestanden den Quote-Match.

Karpicke & Roediger 2008 · Science

Aktiver Abruf

Maximales Testen erzielt 81 % Behaltensleistung nach einer Woche. Passives Lesen bei identischer Lernzeit: 27 %.

Behaltensleistung nach 1 Woche (%)
0%25%50%75%100%27%SSSSNur Lesen53%SSST1× Testen68%STSTGemischt81%STTTAktiv AbrufQUANTA

S = Lesen · T = Testen (Aktiver Abruf)

Karpicke & Roediger 2008 · Science Vol. 319 · n = 80 Teilnehmer

In Quanta

Jede Session endet mit aktivem Abruf, mit Anschlussfragen statt Multiple-Choice-Raten.

Studie lesen

Rohrer & Taylor 2007 · Instructional Science

Interleaving

Blockiertes Üben fühlt sich stark an und bricht in der Prüfung auf 20 % ein. Gemischtes Üben hält 63 %, also Faktor 3.

Blocked vs. Interleaving: Leistungsvergleich (%)
0%25%50%75%100%1 Woche später95%70%Übungsphase20%63%QUANTAPrüfung (1W)
Blocked
Interleaving (Quanta)

Rohrer & Taylor 2007 · Instructional Science 35(6) · n = 24 Teilnehmer

In Quanta

Quanta mischt Themen in jeder Session automatisch, genau wie in der echten Prüfung.

Studie lesen

Chi et al. 2001 · Cognitive Science

Sokrates-Methode

Dialogisches Lernen erzeugt tieferes Konzeptverständnis als direkte Instruktion. Wer selbst erklärt, versteht.

Rückfragen, Feedback und Modellantwort.

Warum oxidiert Mangan in MnO₄⁻ nicht weiter?

Weil es schon in der höchsten Oxidationsstufe ist?

Richtig. Und welche Stufe ist das, was sagt dir die Ladung des Komplexes?

Chi et al. 2001 · Cognitive Science 25 · dialogisches Lernen

In Quanta

Quantas KI stellt kontextbezogene Rückfragen und kann anschließend Feedback sowie eine Modellantwort geben.

Studie lesen

Peer-reviewed · Ye et al. 2022 · ACM SIGKDD

Anki unterstützt FSRS,
Quanta integriert es ohne Setup.

SM-2 (1987) kennt keine individuelle Gedächtnismodellierung. FSRS (2022) erreicht einen niedrigeren Log-Loss als SM-2: 0,35 gegenüber 0,45 auf 20 Millionen Wiederholungen, eine messbar präzisere Vergessensvorhersage.

In der veröffentlichten Source-First-Studie waren alle ausgelieferten Testkarten quellenbelegt; 97,8 % der erzeugten Kandidaten bestanden den Quote-Match.

Quelle: ACM KDD 2022

FSRS Log-Loss22% niedrigerer Log-Loss
0,35✓ Beste
SM-2 Log-LossAnki · SuperMemo
0,45
Quanta PräzisionFSRS-6 Algorithmus
22%

Validiert auf 20.483.712 Wiederholungen · Wie das deinen Readiness Score berechnet →

Karteikarten können mehr, wenn der Workflow integriert ist.

Anki unterstützt FSRS als konfigurierbare Option. Quanta verbindet FSRS-6 mit Source-First-Generierung, Formelwerkzeugen und Prüfungssimulation.

In der veröffentlichten Source-First-Studie waren alle ausgelieferten Testkarten quellenbelegt; 97,8 % der erzeugten Kandidaten bestanden den Quote-Match.

FeatureQuantaAnkiQuizletStudySmarter
AlgorithmusFSRS-6 (2025)FSRS / SM-2Learn (personalisiert)Spaced Repetition
Quellenprotokoll
KI-Tutor
MINT / LaTeX
Werbefrei

Quellenprotokoll · Vollständiger Vergleich · Bloom-Taxonomie

FSRS-6 ohne separates Setup

Suchst du eine moderne Alternative zu Anki?

Anki unterstützt FSRS und weitreichende Eigenkonfiguration. Quanta bettet FSRS-6 in einen geführten Workflow mit Source-First-KI, Prüfungssimulation und Readiness Score ein.

Vergleich ansehen

Was steckt hinter der Methode?

FSRS, Active Recall, Ebbinghaus, alle Konzepte, die Quanta fundieren, erklärt mit peer-reviewten Quellen.

Überzeugt? Starte jetzt kostenlos.

Erlebe quellenbelegte KI-Karten, FSRS-6 und Active Recall in der Praxis. Kostenloser Zugang, keine Kreditkarte nötig.

Kostenlos starten